בינה מלאכותית יכולה לפתח טיפולים למניעת "חרקי על"

חוקרים במרפאת קליבלנד פיתחו מודל של בינה מלאכותית (AI) שיכול לקבוע את השילוב והתזמון הטובים ביותר לרישום תרופות לטיפול בזיהום חיידקי המבוסס אך ורק על קצב גדילת החיידקים בחשיפה מסוימת. צוות בראשות ד"ר ג'ייקוב סקוט והמעבדה שלו בחטיבה התיאורטית להמטולוגיה תרגום ואונקולוגיה פרסמו לאחרונה את תוצאותיו בהליכים של האקדמיה הלאומית למדעים.. P>

אנטיביוטיקה מיוחסת להגדלת תוחלת החיים בארצות הברית בכמעט עשור. הטיפול הפחית את שיעור התמותה מבעיות בריאותיות שאנו מחשיבים כעת כקלות, כמו כמה חתכים ופציעות. עם זאת, אנטיביוטיקה כבר לא עובדת כמו פעם, בין היתר בגלל השימוש הנרחב שלה.

"ארגוני הבריאות העולמיים מסכימים שאנחנו נכנסים לעידן פוסט-אנטיביוטי", מסביר ד"ר סקוט. "אם לא נשנה את הדרך בה אנו נלחמים בחיידקים, עד שנת 2050 ימותו יותר אנשים מזיהומים עמידים לאנטיביוטיקה מאשר מסרטן."

חיידקים מתרבים במהירות, ומייצרים צאצאים מוטנטים. שימוש יתר באנטיביוטיקה נותן לחיידקים אפשרות לפתח מוטציות עמידות לטיפול. עם הזמן, אנטיביוטיקה הורגת את כל החיידקים הרגישים, ומשאירה רק מוטנטים חזקים יותר שאנטיביוטיקה לא יכולה להרוס.

אסטרטגיה אחת שרופאים משתמשים בהם כדי לחדש את הטיפול בזיהומים חיידקיים נקראת סיבוב אנטיביוטי. ספקי שירותי בריאות מחליפים בין אנטיביוטיקה שונות על פני תקופות זמן ספציפיות. מעבר בין תרופות שונות נותן לחיידקים פחות זמן לפתח עמידות לכל סוג אחד של אנטיביוטיקה. סיבוב עשוי אפילו להפוך חיידקים לרגישים יותר לאנטיביוטיקה אחרת.

"סיבוב תרופות מראה הבטחה בטיפול יעיל במחלות", אומר מחבר המחקר הראשון והסטודנט לרפואה דייוויס וויבר, Ph.D. "הבעיה היא שאנחנו לא יודעים מהי הדרך הטובה ביותר לעשות את זה. אין סטנדרטים לאיזו אנטיביוטיקה לתת, לכמה זמן ובאיזה סדר.”

מחבר המחקר ד"ר ג'ף מלטאס, חוקר פוסט-דוקטורט במרפאת קליבלנד, משתמש במודלים ממוחשבים כדי לחזות כיצד עמידות חיידקים לאנטיביוטיקה אחת הופכת אותם לחלשים יותר לאחר. הוא חבר עם ד"ר וויבר כדי לבחון האם מודלים מונעי נתונים יכולים לחזות דפוסי סיבוב תרופות הממזערים את העמידות לאנטיביוטיקה וממקסמים את הרגישות לאנטיביוטיקה, למרות האופי האקראי של אבולוציה חיידקית.

דר. וויבר הוביל את היישום של למידת חיזוק למודל סיבוב התרופות, המלמד מחשב ללמוד מהטעויות וההצלחות שלו כדי לקבוע את האסטרטגיה הטובה ביותר להשלמת משימה. לדברי ד"ר. וייבר ומלטס, מחקר זה הוא אחד הראשונים ליישם למידת חיזוק על משטרי סיבוב אנטיביוטי.

סימולציה אבולוציונית סכמטית וגישות אופטימיזציה בדוקות. מקור: הליכים של האקדמיה הלאומית למדעים (2024). DOI: 10.1073/pnas.2303165121

"למידת חיזוק היא גישה אידיאלית מכיוון שאתה רק צריך לדעת באיזו מהירות החיידקים גדלים, שקל יחסית לקבוע", מסביר ד"ר וויבר. "יש גם מקום לשונות ולטעויות אנוש. אין צורך למדוד את קצב הצמיחה עד אלפית השנייה בכל פעם."

בינה מלאכותית של צוות המחקר הצליחה להבין את תוכניות הרוטציה האנטיביוטיות היעילות ביותר לטיפול במספר זנים של E. Coli ולמנוע עמידות לתרופות. המחקר מראה שבינה מלאכותית יכולה לתמוך בקבלת החלטות מורכבת, כגון חישוב לוחות זמנים לטיפול באנטיביוטיקה, אומר ד"ר מלטאס.

דר. וויבר מסביר שבנוסף לניהול זיהום של חולה בודד, מודל הבינה המלאכותית של הצוות יכול להודיע כיצד בתי חולים מתייחסים לזיהומים כמכלול. הוא וצוות המחקר שלו פועלים גם להרחיב את עבודתם מעבר לזיהומים חיידקיים למחלות קטלניות אחרות.

"רעיון זה אינו מוגבל לחיידקים, אלא ניתן ליישם כל דבר שיכול לפתח עמידות לטיפול", הוא אומר. "בעתיד, אנו מאמינים שסוגים אלה של AI יכולים לשמש לניהול סרטן עמיד לטיפול."